基于WNN-RAGA 的非线性组合预测方法

将小波变换与神经网络结合构成WNN非线性组合模型,弥补单一预测方法的不足,利用RAGA 的全局优化能力,优化WNN 学习的网络参数,解决传统WNN网络学习算法在学习后期收敛速度慢、存在局部最小值以及训练结果不稳定的问题。实例的预测结果显示出这种基于WNN-RAGA 非线性组合预测的良好预测性能。     

基于小波网络的非线性组合预测方法研究

提出了一种基于小波网络的非线性组合预测新方法，以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足，并给出了相应的学习算法求解小波函数线性组合的尺度和时延参数以及神经网络权值。理论分析和大量的应用实例表明：本方法具有很强的泛化能力与自适应数据和函数变化的能力，在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统的组合建模和预测方面有较高的应用价值。     

企业财务危机非线性组合预测方法及实证

针对组合预测比单项预测具有更高的预测精度,而线性组合预测方法在建模与预测方面存在着较大的局限性,提出了一种基于模糊神经网络的预测上市公司财务危机的非线性组合建模与预测方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高、学习与泛化能力强和适应性广的优点。     

调和平均的组合预测方法之性质研究

调和平均的组合预测是一种非线性组合预测方法．对基于最小几何距离的加权调和平均组合预测模型的性质进行了研究，从理论上说明了该种方法的有效性．首先提出新的非劣性组合预测、优性组合预测、预测方法优超、冗余度的概念；其次指出模型的任一个可行解对应的组合预测至少是非劣性组合预测，并给出优性组合预测存在的一个充分条件；最后证明在一种单项预测方法优超另一种单项预测方法的条件下冗余预测方法出现的判定定理．     

基于相关系数的加权几何平均组合预测模型的性质

加权几何平均组合预测为一种非线性的组合预测方法.针对基于相关系数的加权几何平均组合预测模型,定义了优性组合预测模型、预测方法优超、组合预测冗余度等概念,讨论了在一定的条件下,该组合预测存在非劣性及优性组合预测的充分条件,得出了一个判断冗余预测方法的判定定理.从理论和实例说明基于对数相关系数的非线性组合预测模型的有效性.     

季节性预测的组合灰色神经网络模型研究

对于季节性时间序列具有增长性和波动性的二重趋势性 ,本文提出了季节性预测的组合灰色神经网络模型 ,研究了同时考虑两种 (非线性 )趋势的复杂季节性预测问题 ,给出了一个应用实例 ,为季节性预测提供了一种新的、有效的方法 .     

基因表达式编程在组合预测建模中的应用

介绍一种利用基因表达式编程的方法来自动生成非线性函数的组合预测模型,并进行误差估计分析, 改变过去只依靠各个子方法的简单线性相加,不能很好地反映非线性真实世界的传统组合预测建模方法.通过对我国CPI的真实历史数据验证, 验证结果表明: 与传统的ARIMA,灰色GM(1,1), BP神经网络和线性组合预测四种方法对比,基因表达式编程建立的组合预测模型所预测的数据准确度明显提高.     

组合预测贝叶斯方法研究

本文研究了组合预测的基本理论，提出了有效的最优权重确定方法。基于贝叶斯理论分析，在相当一般的条件下，本文推导了非线性组合预测方式。该组合具有相当一般性并将传统算术加权平均、几何加权平均等组合预测方式作为特例。实例分析证实了本文方法的有效性。     

基于标准差的预测有效度的组合预测模型

针对考虑预测精度标准差的预测有效度的组合预测模型，提出了新的优性组合预测、预测方法优超和冗余度的定义．然后探讨了非劣性组合预测以及优性组合预测存在的充分条件，并给出冗余信息出现的一个判定定理．最后也讨论了组合预测模型的新的近似计算方法，给出实例分析，结果令人满意．     

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法，对ＢＰ模型应用于非线性预测了较详细的研究和探讨，应用该方法对经典非线性时序信号进行预测，并与传统预测方法（ＴＡＲ预测法）效果进行了比较，结果证明神经网络预测方法（ＡＮＮ预测法）具有十分明显的优势。     

Research on the Method of Nonlinear Combining Forecasts based on Fuzzy System

1　ＩｎｔｒｏｄｕｃｔｉｏｎＯｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｆｕｎｃｔｉｏｎｓｏｆｍａｎａｇｅｍｅｎｔａｔａｌｌｌｅｖｅｌｓｉｎａｎｏｒｇａｎｉｚａｔｉｏｎｉｓｐｌａｎｎｉｎｇ ,ａｎｄｆｏｒｅｃａｓｔｓｐｌａｙａｋｅｙｒｏｌｅｉｎｔｈｅｐｌａｎｎｉｎｇｐｒｏｃｅｓｓ .Ｍａｎａｇｅｍｅｎｔｎｅｅｄｓｔｏｒｅｄｕｃｅｔｈｅｒｉｓｋｓａｓ ｓｏｃｉａｔｅｄｗｉｔｈｄｅｃｉｓｉｏｎ ｍａｋｉｎｇ ,ａｎｄｏｎｅｏｆｔｈｅｗａｙｉｎｗｈｉｃｈｔｈｉｓｃａｎｂｅｄｏｎｅｉｓｂｙａｎｔｉｃｉｐａｔｉｎｇ…     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型

针对复杂经济系统下时间序列所呈现出的小样本非线性残差特征,采用非线性残差灰色Verhuilst模型进行研究,修正传统计量模型对于残差信息挖掘不够,预测精度不高的问题,在此基础上,选择带有精英策略的EGA算法来建立灰色Verhulst计量组合预测模型,设计了算法实现的逻辑流程和非线性残差灰色Verhulst计量组合预测模型的整体建模思路,提出了改进多准则目标优化NP完全问题的新方法,对模型的预测效果进行比较分析.实证研究表明:基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型算法收敛速度快,拟合效果好,预测结果更精确.     

Nonlinear Combination Forecasting Model and Its Application

Ｔｈｅｂａｓｉｃｍｅａｎｉｎｇｏｆｃｏｍｂｉｎａｔｉｏｎｆｏｒｅｃａｓｔｉｓｃｏｍｂｉｎｉｎｇｍａｎｙｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｓｔｏｇｅｔｈｅｒｔｏｆｏｒｅｃａｓｔ，ａｎｄｉｔｉｓｕｓｕａｌｙｌｉｎｅａｒｃｏｍｂｉｎａｔｉｏｎａｇｏ．Ｉｎｆａ...     

基于T-S模糊模型的非线性自适应逆控制系统

现在非线性自适应逆控制系统中，由于对象模型和逆控制器均采用非线性自适应滤波器，自适应过程需要同时训练至少两个串联的非线性自适应滤波器，从而造成自适应学习过程过于复杂。利用一组自适应LMS滤波器建立非线性对象的T-S模糊模型，它为逆控制器的学习提供了准确的解析的对象模型Jacobian信息，从而有效简化了自适应逆控制学习过程。仿真结果表明，无论是离线建模还是在线建模，该非线性自适应逆控制方法均能取得理想的控制效果。     

参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。